CN110047079A - 一种基于对象相似性的最优分割尺度选择方法 - Google Patents
一种基于对象相似性的最优分割尺度选择方法 Download PDFInfo
- Publication number
- CN110047079A CN110047079A CN201910343355.3A CN201910343355A CN110047079A CN 110047079 A CN110047079 A CN 110047079A CN 201910343355 A CN201910343355 A CN 201910343355A CN 110047079 A CN110047079 A CN 110047079A
- Authority
- CN
- China
- Prior art keywords
- scale
- segmentation
- similarity
- selection method
- optimum segmentation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000011218 segmentation Effects 0.000 title claims abstract description 138
- 238000010187 selection method Methods 0.000 title claims abstract description 23
- 238000013441 quality evaluation Methods 0.000 claims abstract description 26
- 238000004458 analytical method Methods 0.000 claims abstract description 6
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 238000000034 method Methods 0.000 claims description 25
- 239000013074 reference sample Substances 0.000 claims description 7
- 230000004927 fusion Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 238000000638 solvent extraction Methods 0.000 claims 1
- 125000006850 spacer group Chemical group 0.000 claims 1
- 230000031068 symbiosis, encompassing mutualism through parasitism Effects 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 11
- 239000011159 matrix material Substances 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 6
- 230000003595 spectral effect Effects 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000003709 image segmentation Methods 0.000 description 3
- 241001270131 Agaricus moelleri Species 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000008676 import Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000000523 sample Substances 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于对象相似性的最优分割尺度选择方法，包括导入高分辨率原始遥感影像，并影像对进行预处理；对预处理后的遥感影像进行不同分割尺度的分割，得到多个尺度的分割结果；选取一定数量的样本作为参考对象，并利用位置关系选择方法，检索出质心完全处于参考对象范围内的分割结果作为分割对象；对各个分割对象分别进行相似度分析，计算不同尺度下分割对象与参考对象之间的灰度相似度与纹理相似度，并构建最优分割尺度质量评价函数；根据最优分割尺度质量评价函数的值确定最终的最优分割尺度，形成最优分割尺度组等步骤。其显著效果是：提高了分割结果的客观真实性，解决了分割尺度选择困难的问题。
Description
技术领域
本发明涉及到遥感图像处理技术领域，具体涉及一种基于对象相似性的最优分割尺度选择方法。
背景技术
在面向对象的图像处理中，不同地物对应不同的尺度，同一类地物在不同尺度下也显示不同的特征，分割尺度大小以及组合的合不合适，将直接影响分割后地物对象的大小、形状及后续分类精度，因此，分割尺度的选择便成为影像信息精确提取的关键。
最优尺度的选择方法主要可以分为定性和定量两种。其中定性方法主要是人为试错法，也就是“累试法”，主要是研究者通过试验来选择最优分割尺度，该方法无需建立模型，容易操作，但是效率较低，且最优尺度的确定结果缺乏客观性。随着学者们对最优分割尺度选择方法的深入研究，已由定性选择向定量选择转变。定量方法根据是否参考样本对象，分为监督方法和非监督方法两类。非监督方法不需要参考对象，根据“对象内匀质，对象间异质”的原则设置定量指标来描述分割质量，并建立指标与尺度的函数关系，从而确定最优的分割尺度。定量选择常用的算法有最大面积法、均值方差法、局部方差法等。现有的最优尺度的选择方法基本上只考虑了影像的光谱或几何特征，如最大面积法仅利用了影像几何特征中的面积特征，该方法仅在分布相对集中且面积较大的地物进行分割的情况下效果较好，而针对分布零散的地物效果则不理想；均值方差法是通过计算不同分割尺度下每个对象内部的像元均值与影像中所有对象均值的方差，仅利用了影像的灰度特征；局部方差法以像元为中心，设定一个移动窗口，计算窗口内像元的局部方差再取均值，局部方差值越大对应窗口大小即为最优尺度参数。
上述各种方法仅重点考虑了在不同尺度下分割对象间的光谱特征和几何特征，具有一定的局限性，未能充分利用影像纹理等其他特征。若仅考虑影像的光谱特征进行最优尺度选取容易受到光谱多样性的影响，导致尺度选取结果存在一定的不确定性，因此亟需一种考虑多种特征的尺度选择方法以克服上述缺陷。
发明内容
针对现有技术的不足，本发明的目的是提供一种基于对象相似性的最优分割尺度选择方法，该方法通过将原始影像进行多尺度分割后产生的对象作为分割对象，并在原始影像上选取的不同地物类别对应的一定数量的样本作为参考对象，然后从分割对象与参考对象的灰度相似性和纹理相似性两个要素出发，构建质量评价函数，从而解决分割尺度选择困难的问题。
为达到上述目的，本发明采用的技术方案如下：
一种基于对象相似性的最优分割尺度选择方法，其关键在于包括以下步骤：
步骤1：导入高分辨率原始遥感影像，并影像对进行预处理；
步骤2：对预处理后的遥感影像进行不同分割尺度的分割，得到多个尺度的分割结果；
步骤3：选取一定数量的原始遥感影像作为参考对象，并利用位置关系选择方法，检索出参考对象所对应的分割结果作为分割对象；
步骤4：对各个分割对象分别进行相似度分析，计算不同尺度下分割对象与参考对象之间的灰度相似度与纹理相似度，并构建最优分割尺度质量评价函数；
步骤5：根据最优分割尺度质量评价函数的值确定最终的最优分割尺度，形成最优分割尺度组。
进一步的，步骤1中所述预处理包括全色和多光谱影像融合、影像裁剪。
更进一步的，所述全色和多光谱影像融合采用Envi软件NNDiffuse PanSharpening算法进行。
进一步的，步骤2中所述不同分割尺度的尺度范围为40～120，间隔单位设置为5。
进一步的，步骤2中采用分形网络进化分割算法对预处理后的遥感影像进行分割处理。
进一步的，步骤4中所述灰度相似度的计算步骤为：
步骤A1：按照公式分别计算参考对象与分割对象的灰度值，其中R、G、B分别为影像的三个颜色分量；
步骤A2：按照公式计算参考对象与分割对象的灰度相似度G，其中，m表示参考样本对象的个数，n表示参考样本对应分割对象的个数，Hm和Hn分别为参考对象和分割对象的灰度值统计直方图。
进一步的，步骤4中所述纹理相似度的计算步骤为：
步骤B1：基于灰度共生矩阵，按照公式分别计算某个分割尺度下各分割对象的纹理均值Mean，其中，k为影像灰度化后最大的灰度级，f(i，j)表示灰度值为i和j的像素对共生的概率；
步骤B2：按照公式计算参考对象与分割对象的纹理相似度W，其中，m表示参考对象的个数，n表示参考对象对应的分割对象的个数，Meanm和Meann分别为参考对象与分割对象的灰度共生矩阵纹理均值。
进一步的，步骤4中最优分割尺度质量评价函数的表达式为：
F(G,W)＝αG+(1-α)W，
其中，F(G,W)为最优分割尺度质量评价函数，G与W分别表示灰度相似度和纹理相似度，α为灰度相似度G在最优分割尺度质量评价函数中所占的权重，其值取0或1。
进一步的，步骤5中所述最优分割尺寸获取过程为：
将不同分割尺度对应的最优分割尺度质量评价函数的值进行排序，其中min|F(G,W)-1|对应的尺度即为最优分割尺度。
本发明首先对原始遥感影像预处理后进行多种尺度分割；然后对原始影像进行目视解译，选取一定数量的地物样本作为参考对象，接着将影像分割结果与真实地物样本进行对比度量，以构建的最优分割质量评价函数为依据，寻找各类地物对应的最优分割尺度，最后形成最优分割尺度组。
本发明的显著效果是：
1、本方案创造性的将纹理特征引入影像分割领域，并从灰度相似性与纹理相似性两个层次，构建地物最优分割尺度质量评价函数，以函数形式量化灰度特征和纹理特征对分割效果的影响程度，根据特征的描述能力的强弱选择描述能力强的特征进行最优分割尺度的确定；
2、从实际应用出发，综合考虑了地物的纹理特征和光谱特征，分析了纹理特征和灰度特征对分割效果的描述程度，提高了分割结果的客观真实性，从而有效解决了分割尺度选择困难的问题，提高了尺度选取结果的确定性，减弱了人为因素对地物信息提取的干扰，具有良好的普适性。
附图说明
图1是本发明的结构示意图；
图2是原始影像图；
图3是采用本发明所得最优尺度的分割结果图。
具体实施方式
下面结合附图对本发明的具体实施方式以及工作原理作进一步详细说明。
如图1所示，一种基于对象相似性的最优分割尺度选择方法，具体步骤如下：
步骤1：导入高分辨率原始遥感影像，并影像对进行预处理；
遥感影像数据预处理是加工和提取影像信息的基础，主要包括：影像正射校正和几何校正、全色和多光谱影像融合、影像增强、影像镶嵌等。本项目数据预处理主要内容包括全色和多光谱影像融合、影像裁剪。遥感影像数据采用Envi软件NNDiffuse PanSharpening算法进行融合效果很好，可以减少信息的损失率，它能够更好地保持影像的纹理和光谱信息，满足地物信息提取的要求。而由于研究区实验影像数据量较大，直接进行影像处理耗时较长，因此，在进行后续分析前，需要对影像进行裁剪。
步骤2：对预处理后的遥感影像进行不同分割尺度的分割，得到多个尺度的分割结果；
在本实施步骤中，为了考虑地表实体的多层次，克服数据源的固定尺度，采用分形网络进化FNEA(Fractal Net Evolution Approach)多尺度分割技术，FNEA采用的是异质性最小的区域合并算法，分割是从像素层开始，若邻近像元的异质性性测度小于某一个阈值，则进行合并操作；若相邻像元的异质性测度超过该阈值，则终止合并。每次合并时都要计算合并前后两个对象的异质性测度，保证在整个分割过程中异质性最小。
分割过程中，由于尺度小于40分割结果过于琐碎，而当尺度大于120时出现了大量的混合对象。因此选择40-120的尺度范围进行尺度梯度分割实验，将间隔单位设为5，则得到17个分割尺度下的分割结果。
步骤3：从对预处理后的遥感影像中选取一定数量的样本作为参考对象，并利用位置关系选择方法，检索出质心完全处于参考对象范围内的分割结果作为分割对象；
步骤4：对各个分割对象分别进行相似度分析，计算不同尺度下分割对象与参考对象之间的灰度相似度与纹理相似度，并构建最优分割尺度质量评价函数，具体过程如下：
所述灰度相似度的计算步骤为：
步骤A1：计算灰度值；
灰度值即图像中点的颜色深度，灰度特征的表达方式有多种，本例采用平均值法进行特征描述。按照公式分别计算参考对象与分割对象的灰度值，其中R、G、B分别为影像的三个颜色分量；
步骤A2：计算灰度相似度G；
按照公式计算参考对象与分割对象的灰度相似度G，其中，m表示参考样本对象的个数，n表示参考样本对应分割对象的个数，Hm和Hn分别为参考对象和分割对象的灰度值统计直方图。G的取值范围为[0，1]，G值越接近于1说明参考对象与分割对象的吻合度最高。
所述纹理相似度的计算步骤为：
步骤B1：由于灰度共生矩阵基本原理是计算局域范围内(计算窗口)像素灰度级共同出现的频率，其中计算灰度共生矩阵的关键问题：窗口的选择采用的是基于对象的灰度共生矩阵的纹理窗口，即采用对象的大小作为灰度共生矩阵计算窗口，而不是传统的固定窗口。因此本例选择的纹理测度为纹理均值。
f(i，j)表示灰度值为i和j的像素对共生的概率；k为影像灰度化后最大的灰度级，假设一幅遥感影像，经分割后得到的分割对象有M个，对于第m个对象，则基于灰度共生矩阵，按照公式计算某个分割对象的纹理均值特征；
步骤B2：按照公式计算参考对象与分割对象的纹理相似度W，其中，m表示参考对象的个数，n表示参考对象对应的分割对象的个数，Meanm和Meann分别为参考对象与分割对象的灰度共生矩阵纹理均值。W的取值范围为[0，1]，W值越接近于1说明参考对象与分割对象的吻合度最高。
以不同尺度下分割对象与参考对象的相似性来度量灰度特征和纹理特征对影像对象的能力。也就是说，某一分割尺度下，若分割对象与参考对象的灰度值的相似度比纹理均值的相似度高，那么说明该分割尺度下，灰度特征对地物的描述能力更强，则灰度特征对应的权重α取1。通过分割贡献率对特征进行加权，强化描述能力强的特征，弱化描述能力差的特征。
因此，基于灰度相似度和纹理相似度构建的最优分割尺度质量评价函数的表达式为：
F(G,W)＝αG+(1-α)W，
其中，F(G,W)为最优分割尺度质量评价函数，G与W分别表示灰度相似度和纹理相似度，α为灰度相似度G在最优分割尺度质量评价函数中所占的权重，其值取0或1。
步骤5：根据最优分割尺度质量评价函数F(G,W)的值确定最终的最优分割尺度，也即是将不同分割尺度对应的最优分割尺度质量评价函数的值进行排序，其中min|F(G,W)-1|对应的尺度即为最优分割尺度，形成最优分割尺度组。
本发明创造性的从灰度相似度与纹理相似度两个层次对分割尺度进行研究，构建地物最优分割尺度质量评价函数，以函数形式量化灰度特征和纹理特征对分割效果的影响程度，根据特征的描述能力的强弱选择灰度特征或纹理均值特征进行最优分割尺度的确定，有效解决了地物分割尺度选择困难的问题。
为了评价本文提出方法的有效性，以某地区高分二号遥感影像为例进行试验分析，原始遥感影像如图2所示，经最优分割尺度组分割各地物类别进行处理后的影像如图3所示。
然后建立评价二指数进行分割效果进行分析。评价二指数UO2以欠分割误差(under segmentation error，USE)和过分割误差(over segmentation error，OSE)这两个参数为基础建立新的指数来评价影像分割的质量，该参数能够有效描述参考对象和与之相对应的分割对象之间的数学和几何关系。
USE指数表示欠分割区域的总面积与参考对象多边形的总面积的比值，即：
式中，r表示人工选取参考对象的面积，s表示本应该包含在参考对象中，实际确出现在分割对象中的面积。
OSE指数表示过分割区域的总面积与参照多边形的总面积的比值，即：
式中，r表示人工选取参考样本的面积，n表示本不应该包含在样本对象中，实际却出现在分割对象中的面积。
则UO2由USE指数和OSE指数两者共同构建，即：
理想情况下，参考对象与对应的分割对象应该完全重合，既不存在欠分割现象也不存在过分割现象，ED2应该为0。ED2越大，则表明分割结果存在显著的几何差异或者算术差异，或者两者兼有，分割效果也就不理想。因此ED2值越趋近于0，分割效果越好。
采用上述评价二指数模型，计算得出的各地物类别的最有尺度分割质量评价值如表1所示：
表1.最优尺度分割质量评价值
从表1可以看出，相较于传统方法，采用本发明所述方法得出的最优分割尺度组对图像进行分割处理后，各地物类别的分割效果均更为理想，即实现了本发明所要达到的目的。
以上对本发明所提供的技术方案进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (9)
1.一种基于对象相似性的最优分割尺度选择方法，其特征在于包括以下步骤：
步骤1：导入高分辨率原始遥感影像，并影像对进行预处理；
步骤2：对预处理后的遥感影像进行不同分割尺度的分割，得到多个尺度的分割结果；
步骤3：选取一定数量的原始遥感影像作为参考对象，并利用位置关系选择方法，检索出参考对象所对应的分割结果作为分割对象；
步骤4：对各个分割对象分别进行相似度分析，计算不同尺度下分割对象与参考对象之间的灰度相似度与纹理相似度，并构建最优分割尺度质量评价函数；
步骤5：根据最优分割尺度质量评价函数的值确定最终的最优分割尺度，形成最优分割尺度组。
2.根据权利要求1所述的基于对象相似性的最优分割尺度选择方法，其特征在于：步骤1中所述预处理包括全色和多光谱影像融合、影像裁剪。
3.根据权利要求2所述的基于对象相似性的最优分割尺度选择方法，其特征在于：所述全色和多光谱影像融合采用Envi软件NNDiffuse Pan Sharpening算法进行。
4.根据权利要求1所述的基于对象相似性的最优分割尺度选择方法，其特征在于：步骤2中所述不同分割尺度的尺度范围为40～120，间隔单位设置为5。
5.根据权利要求1或4所述的基于对象相似性的最优分割尺度选择方法，其特征在于：步骤2中采用分形网络进化分割算法对预处理后的遥感影像进行分割处理。
6.根据权利要求1所述的基于对象相似性的最优分割尺度选择方法，其特征在于：步骤4中所述灰度相似度的计算步骤为：
步骤A1：按照公式分别计算参考对象与分割对象的灰度值，其中R、G、B分别为影像的三个颜色分量；
步骤A2：按照公式计算参考对象与分割对象的灰度相似度G，其中，m表示参考样本对象的个数，n表示参考样本对应分割对象的个数，Hm和Hn分别为参考对象和分割对象的灰度值统计直方图。
7.根据权利要求1所述的基于对象相似性的最优分割尺度选择方法，其特征在于：步骤4中所述纹理相似度的计算步骤为：
步骤B1：基于灰度共生矩阵，按照公式分别计算某个分割尺度下各分割对象的纹理均值Mean，其中，k为影像灰度化后最大的灰度级，f(i，j)表示灰度值为i和j的像素对共生的概率；
步骤B2：按照公式计算参考对象与分割对象的纹理相似度W，其中，m表示参考对象的个数，n表示参考对象对应的分割对象的个数，Meanm和Meann分别为参考对象与分割对象的灰度共生矩阵纹理均值。
8.根据权利要求1或6或7所述的基于对象相似性的最优分割尺度选择方法，其特征在于：步骤4中最优分割尺度质量评价函数的表达式为：
F(G,W)＝αG+(1-α)W，
其中，F(G,W)为最优分割尺度质量评价函数，G与W分别表示灰度相似度和纹理相似度，α为灰度相似度G在最优分割尺度质量评价函数中所占的权重，其值取0或1。
9.根据权利要求1所述的基于对象相似性的最优分割尺度选择方法，其特征在于：步骤5中所述最优分割尺寸获取过程为：
将不同分割尺度对应的最优分割尺度质量评价函数的值进行排序，其中min|F(G,W)-1|对应的尺度即为最优分割尺度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910343355.3A CN110047079A (zh) | 2019-04-26 | 2019-04-26 | 一种基于对象相似性的最优分割尺度选择方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910343355.3A CN110047079A (zh) | 2019-04-26 | 2019-04-26 | 一种基于对象相似性的最优分割尺度选择方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110047079A true CN110047079A (zh) | 2019-07-23 |
Family
ID=67279593
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910343355.3A Pending CN110047079A (zh) | 2019-04-26 | 2019-04-26 | 一种基于对象相似性的最优分割尺度选择方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110047079A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111369569A (zh) * | 2020-02-24 | 2020-07-03 | 中国科学院地理科学与资源研究所 | 一种多尺度分割的最优尺度参数计算方法 |
| CN113256648A (zh) * | 2021-04-30 | 2021-08-13 | 深圳市爱贝宝移动互联科技有限公司 | 基于摄像头的自适应多尺度呼吸监测方法 |
| CN113554098A (zh) * | 2021-07-27 | 2021-10-26 | 李蕊男 | 尺度收敛的图像分割质量无监督评价方法 |
| CN114170392A (zh) * | 2021-11-23 | 2022-03-11 | 南昌大学 | 基于变分辨率提取技术的斜坡单元划分模型 |
| WO2022227044A1 (zh) * | 2021-04-30 | 2022-11-03 | 深圳市爱贝宝移动互联科技有限公司 | 基于摄像头的自适应多尺度呼吸监测方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107067405A (zh) * | 2017-03-30 | 2017-08-18 | 河海大学 | 基于尺度优选的遥感影像分割方法 |
| CN107180434A (zh) * | 2017-05-23 | 2017-09-19 | 中国地质大学（武汉） | 基于超像素和分形网络演化算法的极化sar图像分割方法 |
-
2019
- 2019-04-26 CN CN201910343355.3A patent/CN110047079A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107067405A (zh) * | 2017-03-30 | 2017-08-18 | 河海大学 | 基于尺度优选的遥感影像分割方法 |
| CN107180434A (zh) * | 2017-05-23 | 2017-09-19 | 中国地质大学（武汉） | 基于超像素和分形网络演化算法的极化sar图像分割方法 |
Non-Patent Citations (5)
| Title |
|---|
| 刘大伟等: "一种基于对象相似性的遥感影像最优分割尺度评价方法", 《大地测量与地球动力学》 * |
| 吴文欢等: "基于面向对象的高分辨率遥感影像目标信息提取", 《世界核地质科学》 * |
| 李晓靖等: "基于最优尺度和规则的高分辨率影像分类研究", 《测绘工程》 * |
| 郑东玉等: "面向对象建筑物目标提取的最优分割尺度选择", 《地理信息世界》 * |
| 鲁恒等: "面向对象的山地区域多源遥感影像分割尺度选择及评价", 《山地学报》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111369569A (zh) * | 2020-02-24 | 2020-07-03 | 中国科学院地理科学与资源研究所 | 一种多尺度分割的最优尺度参数计算方法 |
| CN113256648A (zh) * | 2021-04-30 | 2021-08-13 | 深圳市爱贝宝移动互联科技有限公司 | 基于摄像头的自适应多尺度呼吸监测方法 |
| WO2022227044A1 (zh) * | 2021-04-30 | 2022-11-03 | 深圳市爱贝宝移动互联科技有限公司 | 基于摄像头的自适应多尺度呼吸监测方法 |
| CN113554098A (zh) * | 2021-07-27 | 2021-10-26 | 李蕊男 | 尺度收敛的图像分割质量无监督评价方法 |
| CN114170392A (zh) * | 2021-11-23 | 2022-03-11 | 南昌大学 | 基于变分辨率提取技术的斜坡单元划分模型 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110047079A (zh) | 一种基于对象相似性的最优分割尺度选择方法 | |
| CN111582294B (zh) | 一种构建用于表面缺陷检测的卷积神经网络模型的方法及其利用 | |
| CN104376556B (zh) | 一种岩石ct图像目标分割方法 | |
| CN108921201B (zh) | 基于特征组合与cnn的大坝缺陷识别与分类方法 | |
| CN114723704B (zh) | 一种基于图像处理的纺织品质量评估方法 | |
| CN108830877A (zh) | 岩心体视显微图像定量描述方法 | |
| CN113435460A (zh) | 一种亮晶颗粒灰岩图像的识别方法 | |
| CN110021028B (zh) | 一种基于服装款式图的自动制衣方法 | |
| CN108537751B (zh) | 一种基于径向基神经网络的甲状腺超声图像自动分割方法 | |
| CN111666900B (zh) | 基于多源遥感影像的土地覆盖分类图的获取方法和装置 | |
| CN112580748B (zh) | 一种对染色图像的分类细胞计数的方法 | |
| CN110120056A (zh) | 基于自适应直方图阈值和轮廓检测的血液白细胞分割方法 | |
| CN116246174B (zh) | 基于图像处理的甘薯种类识别方法 | |
| CN111882573B (zh) | 一种基于高分辨率影像数据的耕地地块提取方法及系统 | |
| CN115115627B (zh) | 基于数据处理的土壤盐碱地监测方法 | |
| CN109003275A (zh) | 焊缝缺陷图像的分割方法 | |
| Khedaskar et al. | A survey of image processing and identification techniques | |
| CN110211112A (zh) | 一种基于过滤选择性搜索的铸缺陷检测方法 | |
| CN107292328A (zh) | 多尺度多特征融合的遥感影像阴影检测提取方法及系统 | |
| CN108364011A (zh) | PolSAR图像多级特征提取与无监督分类方法 | |
| US11037299B2 (en) | Region merging image segmentation algorithm based on boundary extraction | |
| CN103971367A (zh) | 水文资料图像分割方法 | |
| CN115640546A (zh) | 一种图像与特征信息融合的岩性识别方法 | |
| CN107507192B (zh) | 一种水稻剑叶夹角在体测量便携装置及在体测量方法 | |
| CN114120218A (zh) | 一种基于边缘计算的河道漂浮物监测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190723 |